为了预处理语料库，我打算从语料库中提取常用短语，为此我尝试在 gensim 中使用 短语 模型，我尝试了下面的代码，但它没有给我想要的输出。
我的代码
from gensim.models import Phrases
documents = ["the mayor of new york was there", "machine learning can be useful sometimes"]
sentence_stream = [doc.split(" ") for doc in documents]
bigram = Phrases(sentence_stream)
sent = [u'the', u'mayor', u'of', u'new', u'york', u'was', u'there']
print(bigram[sent])
输出
[u'the', u'mayor', u'of', u'new', u'york', u'was', u'there']
但应该是这样的
[u'the', u'mayor', u'of', u'new_york', u'was', u'there']
但是当我尝试打印火车数据的词汇时，我可以看到二元组，但它不适用于测试数据，我哪里出错了？
print bigram.vocab
defaultdict(<type 'int'>, {'useful': 1, 'was_there': 1, 'learning_can': 1, 'learning': 1, 'of_new': 1, 'can_be': 1, 'mayor': 1, 'there': 1, 'machine': 1, 'new': 1, 'was': 1, 'useful_sometimes': 1, 'be': 1, 'mayor_of': 1, 'york_was': 1, 'york': 1, 'machine_learning': 1, 'the_mayor': 1, 'new_york': 1, 'of': 1, 'sometimes': 1, 'can': 1, 'be_useful': 1, 'the': 1})
最佳答案
我得到了问题的解决方案，有两个参数我没有处理，应该传递给 Phrases() 模型，它们是
min_count 忽略所有收集的总计数低于此值的单词和二元组。 默认值为 5
阈值表示形成短语的阈值(越高意味着短语越少)。如果 (cnt(a, b) - min_count) * N/(cnt(a) * cnt(b)) > 阈值，则接受单词 a 和 b 的短语，其中 N 是总词汇量。 默认值为 10.0
对于我上面的带有两个语句的训练数据，阈值是0，所以我更改了训练数据集并添加了这两个参数。
我的新代码
from gensim.models import Phrases
documents = ["the mayor of new york was there", "machine learning can be useful sometimes","new york mayor was present"]
sentence_stream = [doc.split(" ") for doc in documents]
bigram = Phrases(sentence_stream, min_count=1, threshold=2)
sent = [u'the', u'mayor', u'of', u'new', u'york', u'was', u'there']
print(bigram[sent])
输出
[u'the', u'mayor', u'of', u'new_york', u'was', u'there']
Gensim 真的很棒 :)
关于python - 如何使用 gensim 从语料库中提取短语，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/35716121/